應(yīng)用自檢機器人與關(guān)聯(lián)規(guī)則的大數(shù)據(jù)全鏈路追溯算法

摘"要：針對大數(shù)據(jù)維度高、數(shù)據(jù)量龐大的特點，實際應(yīng)用中大數(shù)據(jù)全鏈路追溯算法常面臨性能不佳的挑戰(zhàn)。為此，提出了一種結(jié)合自檢機器人與關(guān)聯(lián)規(guī)則的優(yōu)化算法。對采集的大數(shù)據(jù)實施數(shù)據(jù)歸約與降維操作，隨后分析其特征。通過計算特征的支持度、置信度及提升度，確立特征間的關(guān)聯(lián)規(guī)則。計算節(jié)點綜合度量值，識別關(guān)鍵節(jié)點，初步勾勒大數(shù)據(jù)全鏈路追溯路徑。引入自檢機器人，實時監(jiān)控追溯過程，并評估追溯路徑節(jié)點與實際節(jié)點的匹配度。若匹配度不足，及時修正，確保最終追溯路徑的準確性。實驗結(jié)果顯示，該算法在實際應(yīng)用中表現(xiàn)出優(yōu)越的追溯性能。

關(guān)鍵詞：自檢機器人；關(guān)聯(lián)規(guī)則；大數(shù)據(jù)；全鏈路；數(shù)據(jù)追溯；追溯算法；算法設(shè)計

中圖分類號：TP309.2""""""文獻標識碼：A

A"Big"Data"Full"Link"Traceability"Algorithm"Using"

Self"Checking"Robots"and"Association"Rules

LI"Mingxia1，WANG"Hesen2，ZHAO"Xin2，LIU"Jiayin2

（1.Xinjiang"Electric"Power"Research"Institute"State"Grid，"Urumqi，"Xinjiang"830000，China;

2.Marketing"Service"Center，"State"Grid"Xinjiang"Electric"Power"Co.，"Ltd.，Urumqi，"Xinjiang"830000，China）

Abstract：Due"to"the"high"dimensionality"and"large"amount"of"data"in"big"data，"the"full"chain"traceability"algorithm"of"big"data"often"faces"the"challenge"of"poor"performance"in"practical"applications."Therefore，"this"article"proposes"an"optimization"algorithm"that"combines"self"checking"robots"with"association"rules."Implement"data"reduction"and"dimensionality"reduction"operations"on"the"collected"big"data，"and"then"analyze"its"characteristics."By"calculating"the"support，"confidence，"and"enhancement"of"features，"establish"association"rules"between"features."Calculate"the"comprehensive"measurement"value"of"nodes，"identify"key"nodes，"and"preliminarily"outline"the"traceability"path"of"the"entire"big"data"chain."Introduce"self"checking""robots"to"monitor"the"traceability"process"in"real"time"and"evaluate"the"matching"degree"between"the"traceability"path"node"and"the"actual"node."If"the"matching"degree"is"insufficient，"make"timely"corrections"to"ensure"the"accuracy"of"the"final"traceability"path."The"experimental"results"show"that"the"algorithm"exhibits"superior"traceability"performance"in"practical"applications.

Key"words：self"checking"robot;"association"rules;"big"data;"full"link;"data"traceability;"traceability"algorithm;"algorithm"design

在眾多行業(yè)中，從金融交易、醫(yī)療健康到物流運輸，大數(shù)據(jù)的應(yīng)用已經(jīng)無處不在，深刻地改變了人們的生活方式和企業(yè)的運營模式。然而，隨著數(shù)據(jù)量的激增，如何高效、準確地管理和利用這些數(shù)據(jù)，成為了一個亟待解決的問題。特別是在數(shù)據(jù)的安全性和可追溯性方面，更是受到了廣泛的關(guān)注[1]。然而，由于數(shù)據(jù)量過于龐大，現(xiàn)有的溯源方法僅能對單一數(shù)據(jù)源進行追溯，且數(shù)據(jù)追溯效率不高、準確性較低，難以滿足數(shù)據(jù)溯源的實時需求。

因此，不少研究學者針對這一問題展開了研究，并對自己的觀點進行了闡述。文獻[2]先對電網(wǎng)多源時空數(shù)據(jù)進行建模，明確數(shù)據(jù)的來源、類型等關(guān)鍵信息，設(shè)計有限狀態(tài)機模型，明確狀態(tài)轉(zhuǎn)移的條件和路徑，利用區(qū)塊鏈技術(shù)，構(gòu)建電源多源時空數(shù)據(jù)的追溯系統(tǒng)，根據(jù)數(shù)據(jù)的哈希值定位數(shù)據(jù)位置，由此得到數(shù)據(jù)的轉(zhuǎn)移路徑，從而完成對數(shù)據(jù)的追溯。該方法應(yīng)用的區(qū)塊鏈技術(shù)具有不可篡改性和去中心化的特點，其數(shù)據(jù)存儲和查詢效率較低，無法滿足數(shù)據(jù)的實時追溯需求。文獻[3]收集新能源汽車在運行過程中的故障數(shù)據(jù)，并對其進行標準化處理，再從中提取出能夠表征故障特征的參數(shù)和指標，并對故障進行分析，識別出不同的故障類型，在機器學習的作用下，建立故障類型與運行性能參數(shù)之間的映射關(guān)系，實現(xiàn)對故障類型的自動追溯。該方法需要處理大量的故障數(shù)據(jù)，會消耗大量的計算資源，方法的追溯時間較長。文獻[4]先收集與特定數(shù)據(jù)源相關(guān)的所有信息，并對數(shù)據(jù)項進行標記，設(shè)計一個分布式區(qū)塊鏈網(wǎng)絡(luò)，并對不同的區(qū)塊進行定義，且計算區(qū)塊的哈希值，定義數(shù)據(jù)溯源的邏輯和規(guī)則，將收集到的數(shù)據(jù)存儲到區(qū)塊鏈，利用哈希值及數(shù)據(jù)驗證機制對數(shù)據(jù)進行溯源。該方法在數(shù)據(jù)溯源的過程中，很容易出現(xiàn)數(shù)據(jù)泄露的情況，從而影響到溯源結(jié)果的準確性。文獻[5]先對工業(yè)物聯(lián)網(wǎng)的數(shù)據(jù)進行詳細建模，精確數(shù)據(jù)的屬性和結(jié)構(gòu)，設(shè)計一個分布式區(qū)塊鏈網(wǎng)絡(luò)，對數(shù)據(jù)進行存儲和分析，識別數(shù)據(jù)的內(nèi)在規(guī)律和特征，利用智能合約，對數(shù)據(jù)進行查詢，并設(shè)計數(shù)據(jù)驗證機制，確保數(shù)據(jù)的安全性，并輸出相應(yīng)的溯源結(jié)果。該方法應(yīng)用的區(qū)塊鏈技術(shù)在實際應(yīng)用中吞吐量較低，若需要進行處理的數(shù)據(jù)量過于龐大，區(qū)塊鏈將會無法滿足其實時處理的需求，導致數(shù)據(jù)溯源效率低下。

在以往研究的基礎(chǔ)上，應(yīng)用自檢機器人與關(guān)聯(lián)規(guī)則的大數(shù)據(jù)全鏈路追溯算法。本研究深入探討大數(shù)據(jù)追溯的算法原理和實現(xiàn)方法，為相關(guān)領(lǐng)域的研究提供新的思路和方法。

1"大數(shù)據(jù)全鏈路追溯算法設(shè)計

1.1"大數(shù)據(jù)全鏈路特征分析

在對大數(shù)據(jù)進行全鏈路溯源時，需要先從各個數(shù)據(jù)源獲取大量的數(shù)據(jù)，并對獲取的數(shù)據(jù)進行優(yōu)化處理。在優(yōu)化處理時，先對其進行異常值識別，這個過程中需要設(shè)定數(shù)據(jù)屬性值范圍，若出現(xiàn)數(shù)據(jù)屬性值不在該范圍內(nèi)，則說明當前數(shù)據(jù)為異常數(shù)據(jù)，需要直接剔除[6]。

在數(shù)據(jù)優(yōu)化處理時，還需要對其進行數(shù)據(jù)歸約和降維處理[7]。其具體處理過程如下所示：

x′i=xi-kakb

yi=x′i×Ck|x′i|×pc（1）

式中，x′i表示數(shù)據(jù)歸約的結(jié)果，xi表示原始的數(shù)據(jù)，ka表示原始數(shù)據(jù)的均值，kb表示原始數(shù)據(jù)的標準差，yi表示數(shù)據(jù)降維處理的結(jié)果，Ck表示數(shù)據(jù)協(xié)方差矩陣，pc表示數(shù)據(jù)的時間序列值。

將數(shù)據(jù)進行優(yōu)化處理后，對大數(shù)據(jù)進行特征分析[8]。其具體分析過程如下所示：

Kix=A（xi）‖B（xi）‖C（xi）‖D（xi）‖E（xi）

Kjx=K1x+K2x+…+KNxN×δx×|yi|（2）

式中，Kix表示數(shù)據(jù)xi的自身中心特征，Axi表示數(shù)據(jù)的度中心性，Bxi表示數(shù)據(jù)的介數(shù)中心性，Cxi表示數(shù)據(jù)的接近中心性，Dxi表示數(shù)據(jù)的復(fù)合中心性，Exi表示數(shù)據(jù)的特征向量中心性，Kjx表示數(shù)據(jù)xi鄰近數(shù)據(jù)xj的特征，N表示數(shù)據(jù)xi的數(shù)量，δx表示數(shù)據(jù)的狀態(tài)量。

1.2"應(yīng)用關(guān)聯(lián)規(guī)則的大數(shù)據(jù)全鏈路追溯節(jié)點確定

利用關(guān)聯(lián)規(guī)則，識別出大數(shù)據(jù)全鏈路追溯的關(guān)鍵節(jié)點，由此確定大數(shù)據(jù)全鏈路追溯路徑［9］?；跀?shù)據(jù)特征，先建立數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則[10]。在建立關(guān)聯(lián)規(guī)則時，需要計算數(shù)據(jù)特征間的支持度、置信度和提升度[11]。其具體計算過程如下所示：

S（Kix→Kjx）=P（Kix∪Kjx）Pt

C（Kix→Kjx）=P（Kix∪Kjx）P（Kix）

L（Kix→Kjx）=P（Kix∪Kjx）P（Kix）P（Kjx）（3）

式中，S（Kix→Kjx）表示數(shù)據(jù)特征的支持度，P（Kix∪Kjx）表示特征Kix和特征Kjx同時出現(xiàn)的概率，Pt"表示所有數(shù)據(jù)特征出現(xiàn)的概率，C（Kix→Kjx）表示數(shù)據(jù)特征的置信度，P（Kix）表示特征Kix出現(xiàn)的概率，L（Kix→Kjx）表示數(shù)據(jù)特征的提升度，P（Kjx）表示特征Kjx出現(xiàn)的概率。

在建立數(shù)據(jù)關(guān)聯(lián)規(guī)則的過程中，基于支持度、置信度和提升度[12]，若S（Kix→Kjx）高于所設(shè)閾值，則當前數(shù)據(jù)特征為頻繁特征，可以將其作為重要的關(guān)聯(lián)指標。從頻繁特征集中篩選出滿足置信度閾值和提升度閾值的特征，構(gòu)建相應(yīng)的關(guān)聯(lián)規(guī)則，逐一識別數(shù)據(jù)追溯過程中的關(guān)鍵節(jié)點。

計算節(jié)點的綜合度量值[13]：

Kp=αSS+αCC+αLLδpS+C+L"（4）

式中，Kp表示節(jié)點綜合度量值，αS、αC、αL分別表示節(jié)點數(shù)據(jù)特征支持度、置信度和提升度對應(yīng)的權(quán)重占比，δp表示節(jié)點的關(guān)聯(lián)系數(shù)。

根據(jù)計算的Kp確定大數(shù)據(jù)全鏈路追溯關(guān)鍵節(jié)點，為后續(xù)的數(shù)據(jù)追溯路徑確定奠定基礎(chǔ)。

1.3"應(yīng)用自檢機器人的大數(shù)據(jù)全鏈路追溯路徑

確定關(guān)鍵節(jié)點后，對關(guān)鍵節(jié)點進行擬合，再結(jié)合數(shù)據(jù)的變化趨勢和特征屬性，初步確定大數(shù)據(jù)全鏈路追溯路徑[14]：

Lz=κ［σ（xi）Wc+Bc］×Kp×Pc

Pc=ep∑cep

σ（xi）=mi⊙xmi⊙η［E（v）Wc+Bc］（5）

式中，Lz表示大數(shù)據(jù)全鏈路追溯路徑，κ表示損失平衡系數(shù)，σxi表示分類函數(shù)，Wc表示權(quán)重矩陣，Bc表示誤差矩陣，Pc表示數(shù)據(jù)源判斷函數(shù)，c表示數(shù)據(jù)類別，p表示數(shù)據(jù)類型概率值，mi表示平衡因子，xmi表示節(jié)點維度值，η表示節(jié)點異質(zhì)特征，E（v）表示路徑差異性值。

考慮到式（5）生成的追溯路徑可能會受到環(huán)境因素的影響，為提高追溯路徑的可靠性，應(yīng)用自檢機器人，對大數(shù)據(jù)全鏈路追溯路徑進行實時修正，從而得到最終的追溯路徑。其數(shù)據(jù)追溯路徑確定的具體過程如圖1所示。

圖1"應(yīng)用自檢機器人的大數(shù)據(jù)全鏈路

追溯路徑確定的具體過程

如圖1所示，利用自檢機器人，實時監(jiān)測大數(shù)據(jù)的溯源過程，自檢機器人能夠不斷感知環(huán)境，并計算溯源路徑節(jié)點與實際路徑節(jié)點之間的匹配度，若匹配度不高，則需要對其進行修正處理，反之，則不需要修正[15]。在該過程中，利用自檢機器人計算追溯路徑節(jié)點與實際節(jié)點之間的匹配度，從而確定最終的追溯路徑。應(yīng)用自檢機器人計算節(jié)點匹配度的具體過程如下所示：

Sd=∑ni=1LizRi∑ni=1（Liz）2∑ni=1（Ri）2（6）

式中，Sd表示追溯路徑節(jié)點與實際路徑節(jié)點之間的匹配度，Liz表示確定的追溯路徑的第i個節(jié)點，Ri表示實際路徑的第i個節(jié)點，Pk表示自檢機器人的參數(shù)。

若計算的匹配度低于設(shè)定的閾值，則需要對其進行修正。得到最終的追溯路徑如下所示：

L′z=Lz×βc×zk×lkfc×zm（7）

式中，L′z表示最終的數(shù)據(jù)追溯路徑，βc表示修正系數(shù)，zk表示追溯路徑的誤差值，lk表示追溯路

徑更新參數(shù)，fc表示追溯路徑當前狀態(tài)值，zm表示自檢機器人的調(diào)整參數(shù)。

利用公式，實現(xiàn)對大數(shù)據(jù)全鏈路的追溯，以便更好地實現(xiàn)對各種類型數(shù)據(jù)的定位。至此，應(yīng)用自檢機器人和關(guān)聯(lián)規(guī)則的大數(shù)據(jù)全鏈路追溯算法的設(shè)計完成。

2"實驗

硬件環(huán)境如下：Intel"Xeon"W-2133處理器，主頻3.6"GHz，32"GB"DDR4"ECC內(nèi)存，1"TB"NVMe"SSD硬盤，Cisco"Meraki"MR33路由器。

軟件環(huán)境如下：MATLAB"R2023a編程軟件，ROS機器人操作系統(tǒng)，Visual"Studio"Code文本編輯工具，PostgreSQL數(shù)據(jù)庫管理系統(tǒng)等。

應(yīng)用的自檢機器人型號為ZRAutoInspect01，技術(shù)參數(shù)見表1。

設(shè)S（Kix→Kjx）閾值為0.05，C（Kix→Kjx）閾值為0.7，L（Kix→Kjx）閾值為0.5，迭代次數(shù)為100，平衡因子mi為0.88，損失平衡系數(shù)κ為0.45，修正系數(shù)βc為0.96，追溯路徑更新參數(shù)lk為4.88。

所用數(shù)據(jù)集為公開數(shù)據(jù)集，該數(shù)據(jù)集數(shù)據(jù)類型多樣，包含用戶行為數(shù)據(jù)、環(huán)境數(shù)據(jù)、機器人狀態(tài)數(shù)據(jù)等，數(shù)據(jù)總量達到了236954條。計算出多個節(jié)點的綜合度量值，如表2所示。

本文算法為算法1，基于有限狀態(tài)機的電網(wǎng)多源時空數(shù)據(jù)的區(qū)塊鏈追溯方法研究為算法2，新能源汽車運行故障數(shù)據(jù)分析與自動追溯模型研究為算法3。利用三種算法進行追溯，得到其追溯路徑，計算其追溯結(jié)果的AUC值，若AUC值越接近于1，則算法的追溯性能越好，如圖2所示。

如圖2所示，算法1的AUC值遠高于其余兩種算法，且更為接近1，說明其能夠準確地對數(shù)據(jù)變化趨勢進行判斷，追溯性能較好。算法2和算法3的AUC值數(shù)值較小，追溯性能較差。

以覆蓋率為評價指標，即算法追溯到信息占總信息的比例，驗證具體追溯結(jié)果，如表3所示。

如表3所示，算法1的覆蓋率遠高于其余兩種算法，說明其在追溯過程中，能夠準確識別路徑中的關(guān)鍵節(jié)點，保證節(jié)點信息的獲取，追溯性能較好。

3"結(jié)"論

本研究將自檢機器人的自動化檢測能力與關(guān)聯(lián)規(guī)則的深度挖掘相結(jié)合，對大數(shù)據(jù)全鏈路進行了精準追溯，不僅能夠快速定位數(shù)據(jù)流向，還能揭示數(shù)據(jù)之間的潛在關(guān)聯(lián)，為決策者提供有力支持。在數(shù)據(jù)安全領(lǐng)域，這一算法有助于及時發(fā)現(xiàn)潛在風險，確保數(shù)據(jù)的安全性和完整性；在業(yè)務(wù)管理領(lǐng)域，可以優(yōu)化流程，提高運營效率。

參考文獻

［１］"張勇，王藝博，張進偉，等."基于區(qū)塊鏈的電網(wǎng)調(diào)控數(shù)據(jù)溯源技術(shù)研究[J]."電力信息與通信技術(shù)，"2023，"21"（11）："70-76.

[2]"谷志紅，趙進斌，王正，等."基于有限狀態(tài)機的電網(wǎng)多源時空數(shù)據(jù)的區(qū)塊鏈追溯方法研究[J]."電網(wǎng)與清潔能源，"2024，"40"（4）："9-17.

[3]"阮永嬌，陳昕，孫承臻，等."新能源汽車運行故障數(shù)據(jù)分析與自動追溯模型研究[J]."遼寧工業(yè)大學學報（自然科學版），"2022，"42"（5）："316-319."

[4]"楊葉芬，何擁軍."大數(shù)據(jù)視域下區(qū)塊鏈技術(shù)在數(shù)據(jù)溯源中的應(yīng)用探究[J]."長江信息通信，"2024，"37"（3）："148-151.

[5]"李煥."基于區(qū)塊鏈的工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)溯源技術(shù)實現(xiàn)[J]."自動化與儀器儀表，"2024，"42（1）："89-92+98.

[6]"常雨晴，賀婉朦，周璐瑤，等."基于智能合約和霧計算的醫(yī)療數(shù)據(jù)可追溯加密方案[J]."信息安全研究，"2024，"10"（6）："554-560.

[7]"張華，楊靈運，谷牧，等.nbsp;基于標識編碼的工業(yè)產(chǎn)品數(shù)據(jù)全程可信追溯研究"[J]."儀器儀表標準化與計量，"2024，"14（1）：5-8.

[8]"王民濤，陳立釗."基于區(qū)間型數(shù)據(jù)離散化算法的電力應(yīng)急物資供應(yīng)質(zhì)量可追溯模型研究[J]."機械設(shè)計與制造工程，"2024，"53"（2）："130-134.

[9]"田宏明."電加熱爐變電設(shè)備運行質(zhì)量安全數(shù)據(jù)追溯方法設(shè)計[J]."工業(yè)加熱，"2023，"52"（11）："43-47.

[10]"胡牛平，景征駿，史培中，等."基于區(qū)塊鏈的ETO型企業(yè)生產(chǎn)過程溯源系統(tǒng)研究[J]."科技和產(chǎn)業(yè)，"2023，"23"（11）："120-128.

[11]"顧斌，鄒云峰，單超，等."基于數(shù)字水印的電力數(shù)據(jù)安全分發(fā)與溯源技術(shù)研究"[J]."信息技術(shù)，"2023，"35（11）："99-104.

[12]"吳敏，張明達，李盼盼，等."面向多源遙感影像數(shù)據(jù)的溯源模型研究[J]."地球信息科學學報，"2023，"25"（7）："1325-1335.

[13]"景一佳，童一飛，趙建波."基于區(qū)塊鏈的軍事物資質(zhì)量信息溯源系統(tǒng)的設(shè)計與研究[J]."機械設(shè)計與制造工程，"2023，"52"（6）："113-118.

[14]"徐濱，翁年鳳，樊樹海，等."面向大規(guī)模定制的制造業(yè)領(lǐng)域數(shù)據(jù)溯源模型研究[J]."機床與液壓，"2023，"51"（8）："1-7.

[15]"王瑩，穆力，宋繼紅，等."基于區(qū)塊鏈技術(shù)的光伏扶貧資金精準溯源方法[J]."電力大數(shù)據(jù)，"2022，"25"（12）："69-76.